边缘检测的目标是从自然图像中提取亮度变化剧烈的像素点集合,是图像处理和计算机视觉领域的基础任务之一。随着深度学习广泛地应用在各个领域,出现了众多基于深度学习的边缘检测方法。相对于手工特征提取的边缘检测方法,深度学习技术更能提取高级的语义特性信息。然而,目前基于深度学习技术的边缘检测方法依然存在着对低级特征利用不充分、提取边缘过厚以及背景干扰等问题。本文利用空间自注意力和多粒度特征融合方法,改进了现有的边缘检测方法,并设计完成了一个图像边缘检测系统,主要研究内容如下:1.提出了基于空间自注意力的边缘检测算法。由于现有的边缘检测方法在网络浅层中卷积核感受野过小,导致网络无法对长远距离像素之间进行约束,从而网络无法有效的利用底层特征,本文提出了一种基于空间自注意力的边缘检测算法。利用预训练模型中丰富的底层特征信息,通过卷积运算生成任意两个像素之间的空间权重矩阵,最后利用空间权重矩阵和原始特征进行矩阵乘法,以此获得远距离像素之间的空间位置关系,增加像素与像素之间的约束。在公开数据集BSDS500上对空间自注意力模块进行消融实验,证明了空间自注意力对于模型的性能有着明显的提升。2.提出了基于多粒度特征融合的边缘检测算法。目前基于深度学习的边缘检测算法缺乏对不同粒度信息的有效利用,导致模型对边缘像素的精确捕获能力的减少,本文提出一种基于多粒度特征融合的边缘检测算法。通过融合低级特征的粗粒度信息和高级特征的细粒度信息,利用多尺度特征分层模块提取融合特征中更加丰富的图像多尺度信息,使网络专注于学习图像的上下文特征,从而提升模型的特征提取能力以及泛化能力。最后在三个公开数据集BSDS500、NYUD和Multicue上对提出的网络方法进行验证评估,证明该方法性能的有效性。3.设计了一个边缘检测系统。作为应用,本文将改进的两种算法实施到实际应用场景中,设计完成了一个图像边缘检测系统,该系统能够自动对上传的图像进行边缘提取。